Tantárgy adatlapja

Tárgy neve: Data Visualization in Bioinformatics and Systems Biology
Tárgy kódja: P-ITJEL-0057
Óraszám: N: 1/0/1, L: 0/0/0
Kreditérték: 2
Az oktatás nyelve: angol
Követelmény típus: Gyakorlati jegy
Felelős kar: ITK
Felelős szervezeti egység: Pázmány Péter Katolikus Egyetem Információs Technológiai és Bionikai Kar
Tárgyfelelős oktató: Dr. Pongor Sándor
Tárgyleírás:

Tantárgy neve:Data Visualization in Bioinformatics and Systems Biology
P-ITJEL-0057
Tárgyfelelős:Pongor Sándor
Tantárgy oktatója:Juhász János
Ligeti Balázs
Gáspári Zoltán
Pongor Sándor
A tantárgy céljának rövid ismertetése:A kurzus célja az adatok ábrázolásának és értelmezést elősegítő módon történő bemutatásának ismertetése az elvi és a gyakorlati aspektusok bemutatásával. A kurzus bemutatja, hogy hogyan lehet nagy mennyiségű adatot jól értelmezhető módon ábrázolni, illetve különböző típusú adatokat milyen módon és eszközökkel célszerű megjeleníteni. Az ismeretek hozzájárulnak a képzés során elvégzendő összetett elemzési feladatok elvégzéséhez, azok színvonalas bemutatásához.
Elsajátítandó elméleti ismeretanyag:
  • A vizualizáció alapjai, képek mint üzenetek, képek, ábrák használata a tudományban
  • Az emberi megértés és a vizualizáció viszonya
  • Általános adatvizualizációs technikák és eszközök (Excel, Rawgraph, Ggplot)
  • Klinikai adatok vizualizációja (Kaplan-Meier, dózis-hatás, vulkán plot stb.)
  • Szekvenciák és genomok vizualizációja, többszörös illesztések megjelenítése
  • Nagy és összetett adatkészletek megjelenítése, hőtérképek, klaszterek, projekciók
  • Hálózatok megjelenítése
  • Makromolekulák szerkezetének vizualizációja
  • 4D vizualizáció: adatok a virtuális valóságban
  • Tudásreprezentáció és vizuális magyarázatok, Ishikawa diagram, infografikák
Elsajátítandó gyakorlati ismeretanyag:
  • A kurzus keretében az alábbi konkrét eszközök, programok bemutatása történik meg:
  • Excel, RawGraph, ggplot2 (Python)
  • Kaplan-Meier analízis, dózis-hatás görbe, circos plot, vulkán plot
  • Integrative Genomics Viewer
  • hőtérképek, klaszterek, projekciók
  • Gephi, Cytoscape
  • Chimera(X)
  • MindTheGraph, BioRender
A 2-4 legfontosabb kötelező irodalom felsorolása bibliográfiai adatokkal (szerző, cím, kiadás adatai, (esetleg oldalak), ISBN):Colin Ware: Information visualization: perception for design. Morgan Kaufmann, 2013. ISBN: 9780123814647.
Soyul Han, Il-Youp Kwak: Mastering data visualization with Python: practical tips for researchers. J Minim Invasive Surg, 2023, 26:167-175.
A 2-4 legfontosabb ajánlott felsorolása bibliográfiai adatokkal (szerző, cím, kiadás adatai, (esetleg oldalak), ISBN):Stephen Few: Information dashboard design: displaying data for at-a-glance monitoring. Analytics Press, 2013. ISBN: 1938377001.
Julie Steele, Noah Iliinsky: Beautiful Visualization - Looking at data through the eyes of experts. O'Reilly, 2010. ISBN: 1449379869.
Andy Kirk: Data Visualisation: A Handbook for Data Driven Design. SAGE Publications Ltd, 2025. ISBN: 1529626544.
Elmélet-gyakorlat aránya:Elméleti óra óraszáma: 1
Gyakorlati óra és labor óra óraszáma: 0 + 1
Az alkalmazott oktatási módszerek:
  • Előadás vetített prezentációval
  • Moodle felületen közzétett feladatok
Az értékelés módja:Kollokvium
Az értékelés kritériuma:A kurzus teljesen online formában valósul meg, a Moodle felületen elérhető prezentációk és felvett videók segítségével. A hallgatók tudásának felmérése Moodle teszt segítségével történik.
Miként járul hozzá a tantárgy a KKK-ban megjelölt kompetenciaelemek megszerzéséhez:

Bioinformatika mesterképzés:
A3: A kurzus során a hallgatók az adatábrázolási módszerek elveivel és konkrét alkalmazásokkal is megismerkednek
B2: A megismert adatábrázolási (pl. dimenzióredukálási) módszerek segítik a nagy adatmennyiséget felvonultató bioinformatikai problémák vizuális megértését, ezáltal megoldását
B3: Az egyes adatsorok lényegi elemeit, összefüggéseit megjelenítő technikák ismerete hozzájárul a kritikus értelmezéshez és új kísérletek tervezéséhez
C1: Az informatív, jól átlátható adatvizualizáció elősegíti a magas szintű bioinformatikai problémamegoldást
D1: A korszerű adatábrázolási, megértést segítő technikák készségszintű ismerete elősegíti az önálló munkavégzést és a kollégákkal való szakmai ismeretátadást

A3: A kurzus során a hallgatók az adatábrázolási módszerek elveivel és konkrét alkalmazásokkal is megismerkednek
B2: A megismert adatábrázolási (pl. dimenzióredukálási) módszerek segítik a nagy adatmennyiséget felvonultató bioinformatikai problémák vizuális megértését, ezáltal megoldását
B3: Az egyes adatsorok lényegi elemeit, összefüggéseit megjelenítő technikák ismerete hozzájárul a kritikus értelmezéshez és új kísérletek tervezéséhez
C1: Az informatív, jól átlátható adatvizualizáció elősegíti a magas szintű bioinformatikai problémamegoldást
D1: A korszerű adatábrázolási, megértést segítő technikák készségszintű ismerete elősegíti az önálló munkavégzést és a kollégákkal való szakmai ismeretátadást

A tárgy az alábbi képzéseken vehető fel

bioinformatika IMNI-ABI mesterképzés (MA/MSc) Nappali angol 4 félév ITK
info-bionika mérnöki IMNM-AIB mesterképzés (MA/MSc) Nappali angol 4 félév ITK
mérnökinformatikus IMNI-AMI mesterképzés (MA/MSc) Nappali angol 4 félév ITK
nemzetközi program INNX-XNP Nemzetközi program képzése Nappali angol 1 félév ITK
orvosi biotechnológia IMNI-AOB mesterképzés (MA/MSc) Nappali angol 4 félév ITK
szechenyi-img-alt